haku: @keyword data analysis / yhteensä: 27
hakutulos-lista
viite: 16 / 27
« edellinen | seuraava »
Tekijä:Haapamäki, Lauri
Työn nimi:Identifying business models in Networks
Liiketoimintamallien tunnistaminen verkostoista
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2009
Sivut:109      Kieli:   eng
Koulu/Laitos/Osasto:Informaatio- ja luonnontieteiden tiedekunta
Oppiaine:Sovellettu matematiikka   (Mat-2)
Valvoja:Ehtamo, Harri
Ohjaaja:Lehtinen, Hannele
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  72   | Arkisto
Avainsanat:network
data mining
clustering
business model
network analysis
data analysis
klusterointi
data-analyysi
verkosto
bisnesmalli
liiketoimintamalli
verkostoanalyysi
tiedon louhinta
Tiivistelmä (fin): Monimutkaisten tosimaailman ilmiöiden kuvaaminen on vaikea ongelma.
Viimeisen viidentoista vuoden aikana tapahtunut kehitys tietotekniikassa on avannut ovet uudenlaiselle numeeriselle tutkimukselle ja mahdollistanut sosiaalisten verkostojen tutkimisen.
Tässä tutkimuksessa kehitimme työkalut ja metodologian bisnesmallien tutkimiselle sosiaalisten verkostojen avulla.
Tarkastelimme yhden suuren konsernin sisäistä projektitietokantaa, jonka avulla kuvasimme sen sisäistä bisnesmallia.

Bisnesmallien tutkimista varten kehitimme joukon algoritmeja datan tutkimiseen, verifioimiseen ja klusterointiin.
Klusterointialgoritmimme perustuu K-means-algoritmiin, josta jatkokehitimme oman version, joka kykenee paremmin pureutumaan hajanaiseen projektidataan.
Työn ohessa opimme kuinka suuri ja oleellinen osa datan louhiminen on.
Relevantin datan kaivaminen ja puhdistaminen on erittöain työolöastöa ja vaati merkittävän osan työajasta, ja sitä varten jouduttiin kehittämän joukko omia työkaluja.

Analyysin tuloksena löysimme kuusi erilaista verkkorakennetta.
Linkitimme nämä toistuvat rakenteet edelleen bisnesmalleihin.
Teimme asiantuntijahaastattelun tuloksiemme validoimiseksi.
Haastattelu tuki omia johtopäätöksiämme.
Tarkastelimme dataa myös erilaisten tunnuslukujen ja projektioiden avulla, joiden avulla saimme lisää perspektiiviä bisnesmallien luonteeseen.
Eri tarkastelusuunnat tukivat saatuja tuloksia.

Prosessi toi esiin useita uusia kysymyksiä ja tutkimuskohteita.
Klusterointi- ja filtteröintialgoritmien jatkokehittäminen olisi erittäin houkuttelevaa.
Välitön jatkokohde olisi myös erilaisen lähtödatan käsitteleminen esittelemällämme metodologialla.
Erilaisten yritysten ja julkisyhteisöjen verkostoista voisi löytyä samoja tai hyvin erilaisia malleja.
Tiivistelmä (eng): Describing complex real world problems like business is difficult.
With recent developments in computer capabilities, numerical methods have made more and more specified examination of networks feasible.
In this study we developed a methodology and tool box to dissect the internal structure of a large company.
We used networks to describe the socio professional network within a company i.e. the internal business model.

For this work we developed numerical algorithms for data examination, verification and clustering.
Our algorithm was based on the K-means algorithm which we then on further developed to handle fragmented datasets.
We also learned how extremely important step in the process data mining is.
Getting relevant data was very difficult and even after that pre processing and cleaning of the data is tidious work.
This required development algorithms for this study.

The study resulted in six identified reoccurring network structures which were then linked to business models.
We did an expert interview in order to validate the results.
The interview supported our conclusions.
We also looked at the data from different perspectives filtering the data in various ways which gave perspective.
No viewpoints contradicted our conclusions.

The process brought up several more questions and lines for further study.
The further development of clustering and filtering algorithms would be very promising.
Also using different data sets to validate the results more or to find new kinds of business models.
ED:2010-08-11
INSSI tietueen numero: 40081
+ lisää koriin
« edellinen | seuraava »
INSSI